CN113835884A - 一种云边协同管控系统及方法 - Google Patents
一种云边协同管控系统及方法 Download PDFInfo
- Publication number
- CN113835884A CN113835884A CN202111050607.7A CN202111050607A CN113835884A CN 113835884 A CN113835884 A CN 113835884A CN 202111050607 A CN202111050607 A CN 202111050607A CN 113835884 A CN113835884 A CN 113835884A
- Authority
- CN
- China
- Prior art keywords
- processing
- control system
- management
- cloud
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 246
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims description 13
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5044—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering hardware capabilities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/508—Monitor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种云边协同管控系统及方法,包括管控系统、云服务平台、终端设备、多个边缘处理系统;所述管控系统用于实时监测所述云处理平台与所述边缘处理系统的计算资源;并接收所述终端设备提交的任务处理请求;并根据所述计算资源和所述任务处理请求分配处理任务给所述云处理平台与所述边缘处理系统;所述云服务平台用于调用深度学习模型执行所述管控系统分配的处理任务,并将处理结果反馈给所述管控系统;所述边缘处理系统用于调用深度学习模型执行所述管控系统分配的处理任务,并将处理结果反馈给所述管控系统;所述终端设备用于接收所述管控系统转发的处理结果,并对处理结果进行显示,解决了云边协同中任务分配不均、资源浪费等问题。
Description
技术领域
本发明涉及云端技术领域,具体涉及一种云边协同管控系统及方法。
背景技术
随着电网线路、数量的日益增加,监控场景、监控对象类型复杂多样,数量庞大且分布广泛,对视频监控系统在智能化、网络化、实时性、运维管理等方面提出了更高的要求;电网视频监控系统已经从模拟视频监控系统向模数结合的视频监控系统、数字视频监控系统向现在的智能视频监控系统不断发展。
云边协同技术是一种新兴的智能分析方法,目前针对电网算法还缺少更加明确的云边协同架构、云边协同方法等;因此,围绕电网算法特点和应用需求,深入研究电网算法云边协同技术,可以为提升电网算法系统的实时性能和智能化水平提供技术支撑。
在传统电网系统中,主要通过在云平台上集中处理方式,该方式随着越来越多设备接入,所需要处理的数据量也越来越大,使得云平台集中处理时传输带宽压力较大、实时性效果不理想等缺点;而传统云边协同,则容易导致任务分配不均、任务排队时间过长、资源空置、资源浪费的问题。
发明内容
本发明的目的在于提出一种云边协同管控方法,解决云边协同中任务分配不均、资源浪费等问题。
为实现上述目的,本发明实施例提出一种云边协同管控系统,包括管控系统、云服务平台、终端设备、多个边缘处理系统;
所述管控系统,用于实时监测所述云处理平台与所述边缘处理系统的计算资源;并接收所述终端设备提交的任务处理请求;并根据所述计算资源和所述任务处理请求分配处理任务给所述云处理平台与所述边缘处理系统;
所述云服务平台,用于调用深度学习模型执行所述管控系统分配的处理任务,并将处理结果反馈给所述管控系统;
所述边缘处理系统,用于调用深度学习模型执行所述管控系统分配的处理任务,并将处理结果反馈给所述管控系统;
所述终端设备,用于接收所述管控系统转发的处理结果,并对处理结果进行显示。
可选地,所述计算资源包括CPU和GPU的占用率;
其中,若与所述终端设备最近的边缘处理系统的CPU占用率小于预设占用率阈值或GPU占用率小于预设占用率阈值,则分配处理任务给与所述终端设备最近的边缘处理系统;
其中,若与所述终端设备最近的边缘处理系统的CPU占用率大于等于预设占用率阈值或GPU占用率大于等于预设占用率阈值,则分配处理任务给云处理平台。
可选地,所述管控系统还用于计算所述任务处理请求的任务复杂度;
其中,若任务复杂度小于预设复杂度阈值,则分配处理任务给与所述终端设备最近的边缘处理系统;
其中,若任务复杂度大于等于预设复杂度阈值,则分配处理任务给云处理平台。
本发明另一实施例提出一种云边协同管控方法,其基于上述的系统实现,包括如下步骤:
终端设备提交任务处理请求至管控系统;
管控系统实时监测云处理平台与边缘处理系统的计算资源;并接收所述终端设备提交的任务处理请求;并根据所述计算资源和所述任务处理请求分配处理任务给所述云处理平台与所述边缘处理系统;
云服务平台调用深度学习模型执行管控系统分配的处理任务,并将处理结果反馈给管控系统,管控系统将处理结果转发给终端设备;
边缘处理系统调用深度学习模型执行管控系统分配的处理任务,并将处理结果反馈给管控系统,管控系统将处理结果转发给终端设备;
终端设备接收管控系统转发的处理结果,并对处理结果进行显示。
可选地,所述计算资源包括CPU和GPU的占用率;
其中,所述根据所述计算资源和所述任务处理请求分配处理任务给所述云处理平台与所述边缘处理系统,包括:
若与所述终端设备最近的边缘处理系统的CPU占用率小于预设占用率阈值或GPU占用率小于预设占用率阈值,则分配处理任务给与所述终端设备最近的边缘处理系统;
若与所述终端设备最近的边缘处理系统的CPU占用率大于等于预设占用率阈值或GPU占用率大于等于预设占用率阈值,则分配处理任务给云处理平台。
可选地,所述方法还包括:
管控系统计算所述任务处理请求的任务复杂度;若任务复杂度小于预设复杂度阈值,则分配处理任务给与所述终端设备最近的边缘处理系统;若任务复杂度大于等于预设复杂度阈值,则分配处理任务给云处理平台。
可选地,所述方法还包括:
终端设备接收用户输入的反馈信息,当所述反馈信息为处理结果正确,且需要进行维护处理时,生成维护信息,并将维护信息发送给维护人员的移动终端以告知维护人员进行处理;当所述反馈信息为处理结果错误时,将所述反馈信息发送给处理任务的边缘处理系统或云处理平台;
边缘处理系统或云处理平台接收到所述反馈信息时,进行学习以更新深度学习模型的模型参数,并重新执行管控系统分配的处理任务。
本发明实施例至少具有以下有益效果:
(1)本发明实施例使用云边协同的方式,数据传输量降低,数据传输成本降低,减轻了高带宽的弊端,通过给予边缘处理数据的能力,缓解了云处理平台计算的运算压力,同时提高了管控系统的及时性和鲁棒性;
(2)本发明实施例通过管控系统对数据进行分析,通过其结果对任务进行合理分配到边缘与云端,避免了由于传统云边协同可能造成的资源闲置浪费和云边能力差异导致的任务排队耗时过长问题。
本发明实施例的其它特征和优点将在随后的说明书中阐述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例所述的一种云边协同管控系统的框架结构图。
图2为本发明另一实施例所述的一种云边协同管控方法流程图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。另外,为了更好的说明本发明,在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的手段未作详细描述,以便于凸显本发明的主旨。
参阅图1,本发明实施例提出一种云边协同管控系统1,应用于电网场景的监控系统,包括管控系统1、云服务平台2、终端设备3、多个边缘处理系统4;
具体而言,电网场景部署有多个摄像头或传感器器件,多个摄像头或传感器器件按数据传输距离设置为与对应的边缘处理系统4连接,多个摄像头拍摄视频图像或传感器器件采集其他传感数据后发送至对应连接的边缘处理系统4;本发明实施例可以应用于多种电网场景,电网场景例如是山火识别、输电设备部件识别、输电隐患识别、变电站设备识别、作业违章识别、仪器仪表读数识别、设备铭牌识别等;
所述管控系统1,用于实时监测所述云处理平台与所述边缘处理系统4的计算资源;并接收所述终端设备3提交的任务处理请求;并根据所述计算资源和所述任务处理请求分配处理任务给所述云处理平台与所述边缘处理系统4;
所述云服务平台2,用于调用深度学习模型执行所述管控系统1分配的处理任务,并将处理结果反馈给所述管控系统1;
所述边缘处理系统4,用于调用深度学习模型执行所述管控系统1分配的处理任务,并将处理结果反馈给所述管控系统1;
所述终端设备3,用于接收所述管控系统1转发的处理结果,并对处理结果进行显示。
在一些实施例中,所述边缘处理系统4包括信息获取模块、信息缓存模块、智能算法处理模块与信息发送模块;所述信息获取模块用于采集环境下的图像数据,并将采集到的数据传输至数据缓存模块;所述信息缓存模块用于缓存数据采集模块采集的数据,并定时清理过期数据;所述智能算法处理模块用于通过特定的电网算法对采集到的数据进行分析处理,确定数据是否异常;所述特定的电网算法可以根据特定的电网场景监控需求训练对应的深度学习模型来识别采集的数据是否异常;所述数据发送模块用于将采集的数据和分析结果上传给管控系统1,分析结果包括正常或异常;若数据为异常时,边缘处理系统4或云服务平台2的处理结果包括异常原因的分析结果。
在一些实施例中,所述计算资源包括CPU和GPU的占用率;
其中,若与所述终端设备3最近的边缘处理系统4的CPU占用率小于预设占用率阈值或GPU占用率小于预设占用率阈值,则分配处理任务给与所述终端设备3最近的边缘处理系统4;
其中,若与所述终端设备3最近的边缘处理系统4的CPU占用率大于等于预设占用率阈值或GPU占用率大于等于预设占用率阈值,则分配处理任务给云处理平台。
在一些实施例中,所述管控系统1还用于计算所述任务处理请求的任务复杂度;所述任务复杂度的计算包括:管控系统1接收边缘处理系统4上送的采集数据和分析结果,根据采集数据和分析结果计算处理数据的复杂度,复杂度包括但不限于为处理数据所需时间;
其中,若任务复杂度小于预设复杂度阈值,例如是时间长度阈值,则分配处理任务给与所述终端设备3最近的边缘处理系统4;
其中,若任务复杂度大于等于预设复杂度阈值,例如是时间长度阈值,则分配处理任务给云处理平台。
其中,所述终端设备3,还用于接收用户输入的反馈信息,当所述反馈信息为处理结果正确,且需要进行维护处理时,生成维护信息,并将维护信息发送给维护人员的移动终端以告知维护人员进行处理;当所述反馈信息为处理结果错误时,将所述反馈信息发送给处理任务的边缘处理系统4或云处理平台;
具体而言,当处理结果为正确,但原始数据异常,处理结果包括异常分析原因时,则需要进行维护处理;当处理结果为正确,原始数据正常,表示电网场景一切正常,不需要进行维护处理。
其中,边缘处理系统4或云处理平台还用于接收到所述反馈信息时,进行深度学习以更新深度学习模型的模型参数,并重新执行管控系统1分配的处理任务;形成一种闭环的深度学习模型框架,可以在应用过程中不断地对深度学习模型进行完善,提高处理结果的准确性。
参阅图2,本发明另一实施例提出一种云边协同管控方法,其基于上述实施例所述的系统实现,包括如下步骤:
步骤S100、终端设备提交任务处理请求至管控系统;
步骤S200、管控系统实时监测云处理平台与边缘处理系统的计算资源;并接收所述终端设备提交的任务处理请求;并根据所述计算资源和所述任务处理请求分配处理任务给所述云处理平台与所述边缘处理系统;
步骤S300、云服务平台调用深度学习模型执行管控系统分配的处理任务,并将处理结果反馈给管控系统,管控系统将处理结果转发给终端设备;
步骤S400、边缘处理系统调用深度学习模型执行管控系统分配的处理任务,并将处理结果反馈给管控系统,管控系统将处理结果转发给终端设备;
步骤S500、终端设备接收管控系统转发的处理结果,并对处理结果进行显示。
在一些实施例中,所述计算资源包括CPU和GPU的占用率;
其中,所述根据所述计算资源和所述任务处理请求分配处理任务给所述云处理平台与所述边缘处理系统,包括:
若与所述终端设备最近的边缘处理系统的CPU占用率小于预设占用率阈值或GPU占用率小于预设占用率阈值,则分配处理任务给与所述终端设备最近的边缘处理系统;
若与所述终端设备最近的边缘处理系统的CPU占用率大于等于预设占用率阈值或GPU占用率大于等于预设占用率阈值,则分配处理任务给云处理平台。
在一些实施例中,所述步骤S200还包括:
管控系统计算所述任务处理请求的任务复杂度;若任务复杂度小于预设复杂度阈值,则分配处理任务给与所述终端设备最近的边缘处理系统;若任务复杂度大于等于预设复杂度阈值,则分配处理任务给云处理平台。
在一些实施例中,所述方法还包括:
步骤S600、终端设备接收用户输入的反馈信息,当所述反馈信息为处理结果正确,且需要进行维护处理时,生成维护信息,并将维护信息发送给维护人员的移动终端以告知维护人员进行处理;当所述反馈信息为处理结果错误时,将所述反馈信息发送给处理任务的边缘处理系统或云处理平台;
步骤S700、边缘处理系统或云处理平台接收到所述反馈信息时,进行学习以更新深度学习模型的模型参数,并重新执行管控系统分配的处理任务。
本实施例方法与上述实施例系统对应,因此,本实施例方法未详述的内容可以参阅上述实施例系统的内容得到,此处不再赘述。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种云边协同管控系统,其特征在于,包括管控系统、云服务平台、终端设备、多个边缘处理系统;
所述管控系统,用于实时监测所述云处理平台与所述边缘处理系统的计算资源;并接收所述终端设备提交的任务处理请求;并根据所述计算资源和所述任务处理请求分配处理任务给所述云处理平台与所述边缘处理系统;
所述云服务平台,用于调用深度学习模型执行所述管控系统分配的处理任务,并将处理结果反馈给所述管控系统;
所述边缘处理系统,用于调用深度学习模型执行所述管控系统分配的处理任务,并将处理结果反馈给所述管控系统;
所述终端设备,用于接收所述管控系统转发的处理结果,并对处理结果进行显示。
2.根据权利要求1所述云边协同管控系统,其特征在于,所述计算资源包括CPU和GPU的占用率;
其中,若与所述终端设备最近的边缘处理系统的CPU占用率小于预设占用率阈值或GPU占用率小于预设占用率阈值,则分配处理任务给与所述终端设备最近的边缘处理系统;
其中,若与所述终端设备最近的边缘处理系统的CPU占用率大于等于预设占用率阈值或GPU占用率大于等于预设占用率阈值,则分配处理任务给云处理平台。
3.根据权利要求2所述云边协同管控系统,其特征在于,所述管控系统还用于计算所述任务处理请求的任务复杂度;
其中,若任务复杂度小于预设复杂度阈值,则分配处理任务给与所述终端设备最近的边缘处理系统;
其中,若任务复杂度大于等于预设复杂度阈值,则分配处理任务给云处理平台。
4.一种云边协同管控方法,其特征在于,其基于权利要求1所述的系统实现,包括如下步骤:
终端设备提交任务处理请求至管控系统;
管控系统实时监测云处理平台与边缘处理系统的计算资源;并接收所述终端设备提交的任务处理请求;并根据所述计算资源和所述任务处理请求分配处理任务给所述云处理平台与所述边缘处理系统;
云服务平台调用深度学习模型执行管控系统分配的处理任务,并将处理结果反馈给管控系统,管控系统将处理结果转发给终端设备;
边缘处理系统调用深度学习模型执行管控系统分配的处理任务,并将处理结果反馈给管控系统,管控系统将处理结果转发给终端设备;
终端设备接收管控系统转发的处理结果,并对处理结果进行显示。
5.根据权利要求4所述的云边协同管控方法,其特征在于,所述计算资源包括CPU和GPU的占用率;
其中,所述根据所述计算资源和所述任务处理请求分配处理任务给所述云处理平台与所述边缘处理系统,包括:
若与所述终端设备最近的边缘处理系统的CPU占用率小于预设占用率阈值或GPU占用率小于预设占用率阈值,则分配处理任务给与所述终端设备最近的边缘处理系统;
若与所述终端设备最近的边缘处理系统的CPU占用率大于等于预设占用率阈值或GPU占用率大于等于预设占用率阈值,则分配处理任务给云处理平台。
6.根据权利要求5所述云边协同管控方法,其特征在于,所述方法还包括:
管控系统计算所述任务处理请求的任务复杂度;若任务复杂度小于预设复杂度阈值,则分配处理任务给与所述终端设备最近的边缘处理系统;若任务复杂度大于等于预设复杂度阈值,则分配处理任务给云处理平台。
7.根据权利要求6所述云边协同管控方法,其特征在于,所述方法还包括:
终端设备接收用户输入的反馈信息,当所述反馈信息为处理结果正确,且需要进行维护处理时,生成维护信息,并将维护信息发送给维护人员的移动终端以告知维护人员进行处理;当所述反馈信息为处理结果错误时,将所述反馈信息发送给处理任务的边缘处理系统或云处理平台;
边缘处理系统或云处理平台接收到所述反馈信息时,进行学习以更新深度学习模型的模型参数,并重新执行管控系统分配的处理任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111050607.7A CN113835884A (zh) | 2021-09-08 | 2021-09-08 | 一种云边协同管控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111050607.7A CN113835884A (zh) | 2021-09-08 | 2021-09-08 | 一种云边协同管控系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113835884A true CN113835884A (zh) | 2021-12-24 |
Family
ID=78958812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111050607.7A Pending CN113835884A (zh) | 2021-09-08 | 2021-09-08 | 一种云边协同管控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113835884A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116866352A (zh) * | 2023-08-31 | 2023-10-10 | 清华大学 | 一种云边协同的智能摄像系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414373A (zh) * | 2019-07-08 | 2019-11-05 | 武汉大学 | 一种基于云边端协同计算的深度学习掌静脉识别系统及方法 |
CN111698470A (zh) * | 2020-06-03 | 2020-09-22 | 河南省民盛安防服务有限公司 | 一种基于云边协同计算的安防视频监控系统及其实现方法 |
CN112162849A (zh) * | 2020-08-28 | 2021-01-01 | 中冶华天工程技术有限公司 | 云与边缘计算协同的装备智能管控系统及方法 |
CN112804302A (zh) * | 2020-12-30 | 2021-05-14 | 南京南瑞信息通信科技有限公司 | 一种基于云边协同的电力视频图像分析系统及方法 |
-
2021
- 2021-09-08 CN CN202111050607.7A patent/CN113835884A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414373A (zh) * | 2019-07-08 | 2019-11-05 | 武汉大学 | 一种基于云边端协同计算的深度学习掌静脉识别系统及方法 |
CN111698470A (zh) * | 2020-06-03 | 2020-09-22 | 河南省民盛安防服务有限公司 | 一种基于云边协同计算的安防视频监控系统及其实现方法 |
CN112162849A (zh) * | 2020-08-28 | 2021-01-01 | 中冶华天工程技术有限公司 | 云与边缘计算协同的装备智能管控系统及方法 |
CN112804302A (zh) * | 2020-12-30 | 2021-05-14 | 南京南瑞信息通信科技有限公司 | 一种基于云边协同的电力视频图像分析系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116866352A (zh) * | 2023-08-31 | 2023-10-10 | 清华大学 | 一种云边协同的智能摄像系统 |
CN116866352B (zh) * | 2023-08-31 | 2023-11-14 | 清华大学 | 一种云边协同的智能摄像系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109889599B (zh) | 一种数据处理方法及系统 | |
US20090228547A1 (en) | Server apparatus and communication system | |
CN101917385A (zh) | 调度服务器及多媒体转码用的分布式系统 | |
CN111083519A (zh) | 基于云和边缘计算的vr内容分发系统及方法 | |
CN109614228B (zh) | 基于动态负载均衡方式的综合监控前置系统及工作方法 | |
CN102546793B (zh) | 一种基于云计算的移动终端自适应方法及其系统 | |
US11294736B2 (en) | Distributed processing system, distributed processing method, and recording medium | |
CN105049485B (zh) | 一种面向实时视频处理的负载感知云计算系统 | |
CN108769805A (zh) | 数据传输方法、装置、计算机设备及存储介质 | |
CN115862823B (zh) | 一种基于移动网络的设备智能调度方法及系统 | |
CN106454402A (zh) | 转码任务调度方法和装置 | |
CN113835884A (zh) | 一种云边协同管控系统及方法 | |
CN103974029A (zh) | 视频监控的方法、系统及装置 | |
CN112449147A (zh) | 光伏电站视频集群监控系统及其图像处理方法 | |
CN113573150A (zh) | 视频流处理方法、装置、电子设备和存储介质 | |
CN114138501B (zh) | 用于现场安全监控的边缘智能服务的处理方法和装置 | |
WO2013147441A1 (en) | Scheduling apparatus and method for load balancing when performing multiple transcoding operations | |
CN116567356B (zh) | 一种基于多平台推流的直播显示系统及其推送方法 | |
CN112511576A (zh) | 一种物联网数据处理系统及数据处理方法 | |
CN117492989A (zh) | 一种ai算力可调的智能视频分析系统 | |
CN115603448A (zh) | 一种基于边缘计算的低压线路运维管理方法 | |
CN115827236A (zh) | 实景三维在云发布过程中负载性能优化方法及系统 | |
CN113918303B (zh) | 基于微服务的多任务分布调度系统 | |
CN111160283B (zh) | 一种数据接入方法、装置、设备和介质 | |
CN113094165A (zh) | 一种提升云端加载应用程序速度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |